全文搜索引擎

Posted leo_wl

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了全文搜索引擎相关的知识，希望对你有一定的参考价值。

全文搜索引擎

https://www.cnblogs.com/liuge36/p/10028348.html

全文搜索引擎 Elasticsearch
写在前面
最近在学Elasticsearch ，
我相信只要是接触过开发的都会听过Elasticsearch或ELK这么一个技术。
主要用来做全文检索或大数据分析等，之前一直处理了解状态。
所以打算系统学学Elasticsearch ，这也算是我从零学习Elasticsearch的笔记吧。

  1. Elasticsearch 术语介绍
    1.1 文档Document
  • 用户存储在es中的数据文档
  • es存储数据的最小单元
  • 类比于数据库一行数据

1.2 索引Index
-由相同字段的文档列表组成

  • 类比于数据库中的表
    ps: es6.0版本之前，索引下面可以新建多个Type,就把这个Index类比于database,
    但是在，6.0版本之后，一个索引下面只能够新建一个Type ，所以类比于表更合适

1.3 节点Node

  • 一个ES的运行实例，是集群的基本单元

1.4 集群Cluser

  • 有一个或多个节点组成，对外提供服务

2.Document 介绍
Document 主要就是一个Json Object
json对象有一些字段（Field）组成，常见数据类型：

  • 字符串 ：text , keywork
  • 数值型 ：long , integer , byte ,double , float , half_float(节省空间) , scaled_float(节省空间)
  • 布尔： boolean
  • 日期：date
  • 二进制 ： binary
  • 范围类型 （新的类型）： integer_range , float_range , long_tange , double_range, date_range

注意：每一个文档Document都有一个唯一的ID标识

  • 可以自行指定
  • es 自动生成
    示例Document

{
"remote_ip":"123.207.226.36",
"user_name":"liuge",
"@timestamp":"2015-05-14T08:23:52.000Z",
"request_action":"GET",
"http_version":"1.1",
"response":"304",
"bytes":"0",
"referrer":"-",
"agent":"-"
}
每一个Document都有一个MetaData (元数据)
元数据：用于标注文档的相关信息

  • _index:文档所在的索引名
  • _type: 文档所在的类型名
  • id：文档的唯一ID
  • uid:组合id,由_type和_id组成（6.X版本_type不再起作用）
  • _source:文档的原始Json数据，可以从这里获取每一个字段的内容
  • _all:整合所有字段的内容到该字段，默认禁用，不推荐

3.Index (索引) 介绍
类比于table,具有相同结构文档的集合

  • 每个索引都有自己的 mapping 定义 ， 用于定义字段名和类型
    一个集群可以有多个索引

3.RESTful API 介绍
es集群对外提供RESTful API：用户操作集群中的数据

  • 表现层 状态 转移
  • URI 指定资源 ，如：Index ,Document
  • Http Method 指明资源操作类型，如：GET,POST,PUT,DELETE等
    与es集群资源进行交互的方式：
    方式一：Curl命令行

curl -XPUT "HTTP://localhost:9200/ceshi/doc/1" -i -H "Content-Type:application/json" -d
‘
{
"username":"liuge",
"job":"软件开发"
}
‘
方式二：Kibana DevTools

PUT /ceshi/doc/1
{
"useranme":"liuge",
"job":"软件开发"
}
4.Mapping 介绍
Mapping设置，即如何定义数据字段和类型

==========Mapping的字段类型（Filed type）===========================
核心数据类型：
- 字符串 ：text （会分词）, keywork（不会分词）

- 数值型 ：long , integer , byte ,double , float , half_float(节省空间) , scaled_float(节省空间)

- 布尔： boolean

- 日期：date

- 二进制 ： binary

- 范围类型 （新的类型）： integer_range , float_range , long_tange , double_range, date_range

复杂的数据类型:
- 数组类型 array
- Object
- 嵌套类型 nested object

地理位置数据类型：
- geo_point
- geo_shape

专用类型：
- 记录ip地址
- 实现自动补全completion
- 记录分次数 token_count
- 记录字符串 hash
- percolator

多字段特性：
- 允许对同一个字段采用不同的配置，比如分词，常见的实现汉字实现拼音搜索
- 实现方式:在汉字中新增一个子字段为pinyin就可以
Kibana DevTools方式：（推荐）

4.1 自定义一个mapping
PUT accounts
{
"settings": {
"index": {
"number_of_shards" : 1,
"number_of_replicas" : 0
}
},
"mappings":{
"doc":{
"dynamic":false, # 设置不允许动态添加，结果是，可以插入未定义的字段，但是不能通过未定义字段值来进行查询
"properties":{
"user": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word"
},
"title": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word"
},
"desc": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word"
}
}
}
}
}
上面代码中，首先新建一个名称为accounts的 Index
这三个字段都是中文，而且类型都是文本（text），所以需要指定中文分词器，不能使用默认的英文分词器。

Elastic 的分词器称为 analyzer。我们对每个字段指定分词器。

"user": {
"type": "text",
"analyzer": "ik_max_word",
"search_analyzer": "ik_max_word"
}
上面代码中，analyzer是字段文本的分词器，search_analyzer是搜索词的分词器。ik_max_word分词器是插件ik提供的，可以对文本进行最大数量的分词。

4.2 新增记录，带上id
PUT accounts/doc/1
{
"user": "张三",
"title": "工程师",
"desc": "数据库管理"
}
新增记录的时候，也可以不指定 Id，这时要改成 POST 请求
POST accounts/doc

{
"user": "李四",
"title": "工程师",
"desc": "系统管理"
}
4.3 删除数据
DELETE accounts/doc/1
DELETE accounts

4.4更新记录就是使用 PUT 请求，重新发送一次数据。
PUT accounts/doc/1
{
"user": "张三",
"title": "工程师",
"desc": "数据库管理，软件开发"
}

4.3 查询数据
使用 GET 方法，直接请求/Index/Type/_search，就会返回所有记录
GET accounts/doc/_search
/Index/Type/id ，返回指定id的记录
GET accounts/doc/1
GET accounts/doc/_search
{
"query":{
"term":{
"_id":"1"
}
}
}

GET accounts/doc/_search
{
"query" : {
"match" : {
"desc" : "管理"
}
},
"from": 1,
"size": 1
}
上面代码使用 Match 查询，指定的匹配条件是desc字段里面包含"软件"这个词
Elastic 默认一次返回10条结果，可以通过size字段改变这个设置。
还可以通过from字段，指定位移。
上面代码指定，从位置1开始（默认是从位置0开始），只返回一条结果。

逻辑运算or

GET accounts/doc/_search
{
"query" : { "match" : { "desc" : "软件 系统" }}
}
逻辑运算and

GET accounts/doc/_search
{
"query": {
"bool": {
"must": [
{ "match": { "desc": "软件" } },
{ "match": { "desc": "系统" } }
]
}
}
}
5 分词介绍
5.1 Analysis
分词是指将文本转为一系列单词的过程，也叫作文本分析
在es里面称为Analysis
在es中专门负责分词的组件叫做分词器（Analyzer）
分词器（Analyzer），es会自带一部分词器

  • Character Filters
  • 针对原始的文本进行处理，例如，去除html,a，p,div特殊符号等
  • Tokenizer
  • 将原始的文本按照一定的规则切分为单词
  • Token Filters
  • 把Tokenizer再加工，大小写转换等，没有实际意义的词可以去掉，新增近义词，同义词等

ps:分词执行的顺序也是从上到下的

5.2 分词API的使用
Analyze（分词） API 使用
es提供的用于测试分词的api接口，验证分词效果

  • 可以直接指定分词器（Analyzer）进行测试
    POST _analyze
    {
    "analyzer":"standard", #这个测试用的standard分词器是es自己带的
    "text":"Hello World!"
    }

  • 可以直接指定索引中的字段进行测试
    POST test_index/_analyze
    {
    "field":"username", # 指定索引（表）的字段
    "text":"hello world!"
    }

  • 可以自定义分析器进行测试
    POST _analyze
    {
    "analyzer":"standard", #指明自己使用哪一个分词器
    "filter":["lowercase"], #指明filter处理为小写
    "text":"HEllo WOrld!"
    }
    5.3 预定义分词器
    es中自带的分词器
    如下：分词器前面讲到，就是由三个部分组成，这里自带的不同也是三个部分组成上不同

  • standard Analyzer
    • 默认分词器，按照单词的边界切分
    • Tokenizer 1.standard
    • Token Filters ： 1.standard 2.Loswer case 3.Stop（默认禁用）
  • Simple Analyzer
    • 切分规则。按照非字母切分，非字母的部分会被删除
    • Filters 1.Loswer case
  • Whitespace Analyzer
    • 按照空格进行切分
  • Stop Analyzer
    • 语气助词等修饰性词语会被移除，比如，the ,an ,的，这那等
    • 相比于Simple Analyzer 多了修饰性词语的移除
    • Filters 1.Loswer case 2.stop
  • Keyword Analyzer
    • 不进行分词操作
    • 原样输出，当你不想对文本做分词操作的时候
  • Pattern Analyzer
    • 自定义切分的规则，正则匹配
    • 默认是 W+ ，即非字词的符号作为分隔符，空格 ~ = ‘ 等特殊符号
  • Language Analyzer
    • 提供了30+ 常见语言的分词器

中文分词：是指将一句中文句子切分为一个个单独的词
在英文中，句子内单词可以使用空格做明显分隔，
在中文中，句子内的词语是没有分隔的

常见中文分词系统:
- IK
- jieba
高阶一点的：基于自然语言处理的分词系统
- Hanlp
- THULAC
5.4 自定义分词器
当自带的分词器无法满足需求的时候，可以自定义分词
通过自定义分词的三个部分来实现：

Character Filters
Tokenizer
Token Filters
5.4.1 Character Filters

  • 针对原始的文本进行处理，例如，去除html,a，p,div特殊符号等
    自带的如下：
  • HTML Script 去除html 标签和转换html实体
  • Mapping 进行字符串的替换操作
  • Pattern Replace进行正则匹配替换
    会影响到Tokenizer解析position和offset

5.4.2 Tokenizer

-将原始文本按照一定规则切分为单词
自带的如下：

  • standard按照单词进行分割
  • latter 按照非字符类进行分割
  • whitespace 按照空格进行分割
  • UAX URL Email 按照standard 分割 ，但不会分割邮箱和URL
  • NGram 和Edge NGram 连词分割
  • Path Hierachy 按照文件路径进行分割
    测试：

POST _analyze{
"tokenizer":"path_hierachy",
"text":"/one/two/three"
}
5.4.3 Token Filters

  • 将tokenizer 输出的单词(term )进行增加，删除，修改等操作
    自带的如下：
  • lowercase 将所有输出的单词转换为小写
  • stop 删除 stop words
  • NGram 和 Edge Ngram 连词分割
  • Synonym 添加近义词的term
    重要，这里可以实现自动补全的功能

POST _analyze{
"text":"a Hello World！",
"tokenizer":"standard",
"filter":[
"stop", # 当有多个filter的时候，会依次执行
"lowercase",
{
"type":"ngram",
"min_gram":2,
"max_gram":4
}
]
}
5.5 自定义分词的API
自定义分词器在索引（具体表）中的设定：

PUT test_index{
"settings":{
"analysis":{
"char_filter":{},
"tokenizer":{},
"filter":{},
"analyzer":{}
}
}
}
demo

PUT testairbnb
{
"settings": {
"index": {
"number_of_shards": 1,
"number_of_replicas": 0,
"analysis": {
"analyzer": {
"autosuggest_analyzer": {
"filter": [
"lowercase",
"asciifolding",
"autosuggest_filter"
],
"tokenizer": "standard",
"type": "custom"
},
"ngram_analyzer": {
"filter": [
"lowercase",
"asciifolding",
"ngram_filter"
],
"tokenizer": "standard",
"type": "custom"
}
},
"filter": {
"autosuggest_filter": {
"max_gram": "20",
"min_gram": "1",
"token_chars": [
"letter",
"digit",
"punctuation",
"symbol"
],
"type": "edge_ngram"
},
"ngram_filter": {
"max_gram": "9",
"min_gram": "2",
"token_chars": [
"letter",
"digit",
"punctuation",
"symbol"
],
"type": "ngram"
}
}
}
}
},
"mappings": {
"doc": {
"dynamic": false,
"properties": {
"accommodates": {
"type": "integer"
},
"bathrooms": {
"type": "integer"
},
"bed_type": {
"type": "text",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
},
"bedrooms": {
"type": "integer"
},
"beds": {
"type": "integer"
},
"date_from": {
"type": "date",
"format": "yyyyMMdd"
},
"date_to": {
"type": "date",
"format": "yyyyMMdd"
},
"has_availability": {
"type": "boolean"
},
"host_image": {
"type": "keyword",
"ignore_above": 256,
"index": false
},
"host_name": {
"type": "text",
"analyzer": "autosuggest_analyzer",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
},
"image": {
"type": "keyword",
"ignore_above": 256,
"index":false
},
"listing_url": {
"type": "keyword",
"ignore_above": 256
},
"location": {
"type": "geo_point"
},
"name": {
"type": "text",
"analyzer": "autosuggest_analyzer",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
},
"price": {
"type": "float"
},
"property_type": {
"type": "text",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
},
"room_type": {
"type": "text",
"fields": {
"keyword": {
"type": "keyword",
"ignore_above": 256
}
}
}
}
}
}
}
上面分词的配置中，能够完全实现个性化设定

参考文章http://www.ruanyifeng.com/blog/2017/08/elasticsearch.html
参考文章https://coding.imooc.com/class/chapter/181.html

以上是关于全文搜索引擎的主要内容，如果未能解决你的问题，请参考以下文章

solr 学习片段

实体框架、代码优先和全文搜索

搜索引擎之全文搜索算法功能实现（基于Lucene）

搜索引擎之全文搜索算法功能实现（基于Lucene）

iBoxDB全文搜索原理，演示与代码

小烨收藏ElasticSearch权威指南-入门